論文の概要: ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2609.18487v1
• Date: Wed, 16 Sep 2026 11:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.768591
• Title: ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models
• Title（参考訳）: ActionPiece: 自己回帰型視覚-言語-行動モデルのための行動トークン化の再考
• Abstract要約: アクショントークンーは自己回帰視覚アクション(VLA)モデルにおいて中心的な役割を果たす。 トークン化が再建後の局所的物理的距離ランキングをどれだけよく保存するかを測定するために,身体的ランクの整合性(PRC)を導入する。 本稿では,表現学習と量子化の連携による身体行動関係の保存を行うActionPieceを提案する。
• 参考スコア（独自算出の注目度）: 40.14720118215973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action tokenizers play a central role in autoregressive vision-language-action (VLA) models, determining both the targets for policy training and the executable commands recovered from predicted tokens. Their fidelity is commonly evaluated using pointwise reconstruction metrics such as mean squared error (MSE), yet small individual errors do not fully characterize how faithfully action adjustments across demonstrations are preserved. After compression, similar actions may still cluster around a representative motion, while the adjustments needed for different contexts are diminished, distorted, or even reversed. We introduce physical rank consistency (PRC) to measure how well tokenization preserves local physical distance rankings after reconstruction. Evaluating decoded actions provides a common reference across token vocabularies and decoder architectures, complementing pointwise accuracy with a measure of relational fidelity. We further present ActionPiece, which preserves physical action relationships through joint supervision of representation learning and quantization. Physical rank preservation supervises near-far ordering in encoder and quantized feature distances, while quantization regularization applies the same ordering to codeword assignment distributions. Both objectives augment reconstruction, producing discrete action tokens for standard autoregressive policy learning and execution through a frozen decoder. Under the same Qwen3-VL-4B policy training setup, ActionPiece achieves 94.8% on LIBERO and 68.8% on unseen LIBERO-Plus, with additional evaluations reaching 71.9% on SimplerEnv and 51.5% across VLA-Arena L0-L2. Component ablations show that the two objectives jointly improve PRC and policy success, demonstrating the value of physical relationship supervision for action tokenization.
• Abstract（参考訳）: アクショントークンライザは、自動回帰視覚言語アクション(VLA)モデルにおいて中心的な役割を果たし、ポリシートレーニングのターゲットと予測トークンから回収された実行コマンドの両方を決定する。 それらの忠実度は平均二乗誤差 (MSE) のようなポイントワイドな再現指標を用いて評価されるが、小さな個人誤差は、デモ間でのアクション調整がいかに忠実に保存されているかを完全に特徴づけるものではない。 圧縮後、類似したアクションは依然として代表動作の周りに集結し、異なるコンテキストに必要な調整は減少、歪んだ、あるいは逆転する。 トークン化が再建後の局所的物理的距離ランキングをどれだけよく保存するかを測定するために,身体的ランクの整合性(PRC)を導入する。 復号化アクションを評価することは、トークン語彙と復号化アーキテクチャに共通する参照を提供し、リレーショナル忠実度の測定でポイントワイズ精度を補完する。 我々はさらに,表現学習と量子化の連携による身体行動関係の保存を行うActionPieceについて述べる。 物理階数保存はエンコーダと量子化特徴距離におけるニアファストオーダーを監督し、量子化正規化はコードワード割り当て分布に同じ順序を適用する。 どちらも再構成を強化し、フリーズデコーダを通じて標準的な自己回帰政策学習と実行のための個別のアクショントークンを生成する。 同じQwen3-VL-4Bポリシートレーニング設定の下で、ActionPieceはLIBEROで94.8%、不明なLIBERO-Plusで68.8%、さらにSimplerEnvで71.9%、VLA-Arena L0-L2で51.5%を達成している。 2つの目的が協調的にPRCと政策成功を改善し、アクショントークン化のための物理的関係監督の意義を示す。

関連論文リスト

• ForceDelta-VLA: Distilling Force-Conditioned ActionCorrections for Contact-Rich Manipulation [18.49300929610963]
  本稿では,明示的な力補正ターゲットを構成する補正蒸留フレームワークであるForceDelta-VLAを提案する。 別個の遅延補正ターゲットは、参照-アクションミスマッチと参照状態の変化を考慮に入れている。 我々は、ForceDelta-VLAが、オリジナルのForceVLAベースラインの54.4%に比べて82.2%の平均的な成功率を達成したことを示す。
  論文  参考訳（メタデータ） (2026-09-16T07:20:10Z)
• Quantization-Triggered Backdoors in Language Models: Cross-Quantizer Transferability and the Validation--Deployment Gap [0.0]
  学習後の量子化はしばしば、大規模言語モデルのエッジ展開に対する意味的に中立な最適化として扱われる。 バックドア翻訳モデルは、修復されたFP16におけるゼロの友情の腐敗から、量子化後の最大85.02%の逆転へと移行していることを示す。 我々は、量子化行動等価クラス(QBEC)を通してこのギャップを形式化し、QBECのメンバーシップが振る舞い等価性を含まないことを証明した。
  論文  参考訳（メタデータ） (2026-08-27T08:34:10Z)
• Just Noticeable Difference Modeling for Token Compression in Vision-Language-Action Models [62.522141464687195]
  本稿では,単に目立った差分(JND)の原理を具体化するためのアクションJNDを紹介する。 トークンの変化は、誘導された行動偏差が許容範囲内に留まっている場合にのみ許容できると考えられる。 結果として生じるアクション耐性スコアは、VLA圧縮パラダイムのプラグアンドプレイ基準として機能する。
  論文  参考訳（メタデータ） (2026-08-21T15:59:37Z)
• Lost in Reconstruction: Aligning Action Representations with Language in Vision-Language-Action Models [17.174984369856556]
  行動動詞は、行動の物理的結果だけでなく、その行動の実行方法も記述する。 行動軌跡には視覚的状態変化以外の動詞接頭情報が含まれていることを示す。 本稿では,補助目的によりVQ-VAE型トークン化器を増強するセマンティックアライズされたアクショントークン化器であるSALTを紹介する。
  論文  参考訳（メタデータ） (2026-08-11T04:57:17Z)
• SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models' performance [12.586771228417112]
  本稿では,動作復号をロボットの状態に設定した状態認識型アクショントークンであるSA-VLAを提案する。 12のRoboTwin操作タスクでは、SA-VLAは最強のトークン化剤ベースラインよりも平均成功率を0.29から0.56に改善する。
  論文  参考訳（メタデータ） (2026-06-29T10:45:53Z)
• Resolving Action Bottleneck: Agentic Reinforcement Learning Informed by Token-Level Energy [64.72195169444738]
  ポリシー・グラディエント・メソッドは、各トークンを同じ軌道で扱い、均一なクレジット割り当てにつながる。 このような均一なクレジット割り当てはトークンレベルのトレーニングシグナルをほとんど誤配置していることを示す。 本稿では,トークン再重み付け手法であるActFocusを提案する。
  論文  参考訳（メタデータ） (2026-05-14T08:33:02Z)
• Scaling Verification Can Be More Effective than Scaling Policy Learning for Vision-Language-Action Alignment [58.93227458806748]
  CoVer-VLAは、訓練された検証器を用いた階層的なテスト時間検証パイプラインである。 我々のフレームワークはビジョン・ランゲージ・モデルから多種多様な説明文をプリコンプリートする。 各命令に対して繰り返しアクション候補を生成し、検証器を使用して最適なハイレベルプロンプトと低レベルアクションチャンクを選択する。
  論文  参考訳（メタデータ） (2026-02-12T18:59:59Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Chain-of-Action: Trajectory Autoregressive Modeling for Robotic Manipulation [37.748111048944274]
  チェーン・オブ・アクション(Chain-of-Action, CoA)は、トラジェクティブ・オートレグレッシブ・モデリング(Trajectory Autoregressive Modeling)に基づいて構築されたビジュオ・モビリティ・パラダイムである。 CoAは、タスク固有のゴールを明示した後方推論によって、全軌道を生成する。 我々は60のRLBenchタスクと8つの実世界の操作タスクにまたがる最先端のパフォーマンスをCoAで観察する。
  論文  参考訳（メタデータ） (2025-06-11T17:59:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。